MedicoSAM：提高医学影像分割性能的鲁棒方法
图像与视频处理
2025-12-18 v2 计算机视觉与模式识别
摘要
医学图像分割是临床实践和科研中重要的分析任务。深度学习已在该领域取得巨大进展，但当前方法大多基于针对特定任务训练的模型。训练此类模型或将其适应新条件昂贵，因需手动标注数据。视觉基础模型，尤其是Segment Anything，为医学图像提供了通用分割的路径，克服了上述问题。本文通过在大型且多样化的数据集上比较不同微调策略，研究如何提高Segment Anything在医学影像中的表现。我们对微调后的模型在广泛的交互式和（自动）语义分割任务上进行评估。我们发现，针对交互式分割，性能可明显提升。然而，语义分割在医学图像预训练后并未受益。我们的最佳模型MedicoSAM已公开于https://github.com/computational-cell-analytics/medico-sam。我们展示它与现有数据标注工具兼容，并认为它将在实际中发挥重要价值。
引用
@article{arxiv.2501.11734,
title = {MedicoSAM: Robust Improvement of SAM for Medical Imaging},
author = {Anwai Archit and Luca Freckmann and Constantin Pape},
journal= {arXiv preprint arXiv:2501.11734},
year = {2025}
}